变压器 CBM 证据就绪度检查清单

电力变压器的状态检修不是靠购买一款 AI 工具就能实现的，而是靠让变压器证据变得足够可信、足以供工程师使用来实现的。

这听起来很简单，直到某家电力公司、TSO 或 DSO 真正着手构建一份评审材料包时才会发现并非如此。DGA 报告可能存放在一个系统里；巡检记录可能以 PDF 形式保存；PRPD 测量可能需要质量背景信息；SFRA 曲线可能需要一条基线；维护历史可能位于 CMMS 中；资产重要度可能规划人员心里有数，却在诊断档案中缺失；变压器在一个系统里可能有清晰的铭牌 ID，而在另一个系统里的标识却略有不同。

正是在这里，一份变压器状态检修证据检查清单变得有用。它为团队提供了一个切实可行的起点，然后才让人工智能去总结、对比或起草维护规划文字。

请将上方的交互式检查器用作一个仅在客户端本地运行的范围界定辅助工具。它不会上传文件，不会将所选的工具数值提交给 GridAPM，也不会诊断变压器状态。可选的站点分析在获得同意后，仅记录页面级别的使用情况，不会接收所选的工具数值。

为什么证据就绪要先于 AI 辅助

当智能体式 AI 系统在边界明确的工作流中运行——具备清晰的工具访问权限、清晰的成功标准以及人工复核时——它们最为强大。OpenAI 关于智能体的研究和 Anthropic 关于有效智能体设计的指南，都指向同一个实用结论：智能体不是能给出神奇判决的机器，而是工作流的参与者。

对于变压器 APM 和 CBM 而言，这意味着只有在团队弄清楚存在哪些证据、证据来自何处、以及谁能审批由此产生的工作包之后，AI 才应帮助整理证据和起草评审材料。

NIST AI 风险管理框架为这一问题提供了有用的治理视角。AI 风险不能仅在模型层面加以管理，而必须在工作流中管理：系统被允许做什么、由人来复核什么、保留哪些证据，以及沟通清楚哪些限制。

GridAPM 将这一模式应用于变压器资产。平台的方向不是自主控制，而是一个本地优先、由人工复核的工程工作台，帮助电力公司评估以证据为中心的 APM 和 CBM 工作流。

变压器证据就绪度矩阵

下面的矩阵是为首个试点做准备的一种实用方法。它刻意偏重操作性：每一行都在追问，相应证据是否能够被复核、被追溯，并转化为一场维护规划的讨论。

证据领域	需要确认什么	为何对 CBM 重要	常见的试点缺口
DGA 与油质	取样日期、实验室来源、气体单位、油质参数以及趋势连续性。	在结合背景信息并遵循标准的严谨态度下进行解读时，DGA 能够提出有针对性的复核问题。	缺乏足够趋势或维护背景的一次性报告。
PRPD 与局部放电	测量配置、通道、采集质量、滤波假设以及原始文件。	只有当测量质量和测试背景清晰可见时，PD 证据才具有价值。	图形有意思，但配置说明薄弱。
SFRA 与电气试验	基线是否可用、对比曲线、分接位置、试验条件以及事件历史。	频率响应证据取决于有意义的对比和机械背景信息。	没有可信的基线，或试验配置不明确。
热与负载	负载、冷却方式、环境背景、热点假设以及运行时段。	热应力会改变维护的紧迫程度和老化解读。	存在负载历史，但未与状态事件对齐。
巡检与现场记录	照片、观察、渗漏、表计、告警、套管记录、OLTC 记录以及未闭环的处理事项。	现场背景往往能解释为什么某个信号是紧急的、已知的、被推迟的，还是已经得到缓解的。	记录虽有，但未与资产时间线关联。
维护历史	工单、停运记录、检修、油处理、巡检以及尚未解决的后续事项。	CBM 规划需要知道哪些工作已经完成，哪些仍未闭环。	CMMS 记录难以与诊断证据关联。
重要度与后果	备品策略、停运影响、电网角色、环境暴露以及对用户的后果。	相同的状态证据，会因后果不同而导致不同的规划优先级。	在复核状态数据时缺少资产重要度信息。
来源溯源与审批	来源责任人、时间戳、单位、版本历史、复核人角色、审批状态以及升级路径。	AI 辅助生成的摘要必须站得住脚，并可由具备资质的人员编辑。	数据不错，但审批责任归属不明确。

以标准为背景，不夸大其词

变压器 CBM 工作常常引用成熟的技术标准和导则，包括用于溶解气体分析的 IEEE C57.104 和 IEC 60599、用于局部放电测量的 IEC 60270、用于变压器频率响应分析的 IEEE C57.149，以及用于负载导则的 IEC 60076-7。

一篇公开文章不应假装复现标准、取代专有的计算规则，或给出最终的工程解读。更恰当的姿态是把标准用作证据工作流的背景：哪些测量重要、哪些假设必须记录，以及应由哪位复核人来审批某个决定。

这也是 GridAPM 诚实的立场。遵循标准的确定性引擎，只应在其已实现、已验证并被试点范围所接受的地方加以描述。若某项功能属于试点预览或路线图规划能力，公开文案就应如实说明。

从证据检查清单到试点范围

首个 GridAPM 试点应回答一个聚焦的问题：

经过审批的变压器证据，能否变成一个比团队当前手工流程更清晰、更可追溯、由人工复核的工作包？

良好的起始范围包括：

• 针对选定的一组高重要度变压器，采用 DGA 加维护历史。
• 在解读局部放电图形之前，先对 PRPD 测量质量进行复核。
• 在运输、故障或机械问题之后，复核 SFRA 基线证据。
• 针对运行工况发生变化的老龄变压器，进行热/负载与巡检复核。
• 在开展更大范围的 AI 辅助维护规划之前，先梳理证据来源。

糟糕的起始范围通常过于宽泛。“接入每一个系统、预测每一次故障”听上去雄心勃勃，却会让试点难以评判、也容易夸大其词。

GridAPM 试点页面正是为这条更聚焦的路径而设计：在扩展之前，先界定资产范围、证据输入、复核角色、预期交付物和成功指标。

GridAPM 如何帮助电力公司做好准备

GridAPM 帮助电力公司、TSO 或 DSO 评估变压器证据能否顺利流经一套结构化的 APM 工作流：

• 为一个受控的试点导入或整理经过审批的资产证据。
• 在复核过程中保持来源背景清晰可见。
• 暴露缺失的日期、单位、来源信息以及复核人缺口。
• 利用 AI 起草摘要、问题以及维护规划文字。
• 在建议成为可上报的决定之前，要求工程师审批。
• 将结论整理成一份样例证据包，供利益相关方审阅。

平台概览阐述了工作台的方向。安全和数据处理页面描述了公开部署的假设。样例证据包展示了买方如何评估一个试点预期产出的成果类型。

这一模式同样能帮助管理大型变压器的发电企业以及油气行业的电气资产团队，但本文仍聚焦于电力公司、TSO 和 DSO，因为它们的电网规划和可靠性场景才是 GridAPM 的主要受众。

检查清单的原则

这条实用的原则很简单：

AI 不应靠语气自信来弥补证据的缺失。

在变压器 CBM 中，更可信的工作流恰恰相反。系统应让缺失的证据显现出来，把来源事实与 AI 起草的文字区分开，并保留审批路径。正是这一点，把一项 AI 功能变成了达到电力公司级别的复核流程。

当证据就绪时，GridAPM 试点能够从零散的记录走向一个结构化的工作包。当证据尚未就绪时，试点仍能创造价值——它能准确指出，在更大范围的 AI 辅助获得信任之前，哪些数据必须被清理、关联或治理。